©2026 MIT Sloan Management Review Brasil. Todos os direitos reservados. A reprodução, total ou parcial, é proibida sem a autorização prévia e expressa do CNEX.

Na era da IA preditiva, o valor está na capacidade de decidir

Gustavo Meirelles

27 de outubro de 2026

7 min de leitura

Durante muito tempo, na medicina e na gestão, prever custava caro. Eram necessários anos de pesquisa, muita gente envolvida e dados que davam um trabalho enorme para reunir. Onde os dados não chegavam, entrava a intuição. Quem conseguia antecipar um risco ou um diagnóstico antes dos outros levava vantagem.

Com a inteligência artificial, isso vem mudando rápido. Hoje é possível gerar previsões em quantidade, em pouco tempo e a um custo baixo. E, como acontece com qualquer coisa que deixa de ser rara, o valor acaba indo parar em outro lugar.

Tenho me perguntado: se a máquina prevê cada vez mais, o que separa uma boa organização de uma organização comum? Para mim, é a qualidade do que as pessoas decidem fazer com essas previsões.

Um anúncio recente do Google DeepMind ilustra bem essa mudança. Em setembro, a empresa apresentou o AlphaGenome Atlas, um catálogo que estima os efeitos de cerca de 9 bilhões de alterações possíveis no DNA humano. A ferramenta permite investigar, em larga escala, como pequenas mudanças no código genético podem afetar o funcionamento das células.

O Atlas reúne mais de 1 petabyte de dados e estima os efeitos dessas alterações em diferentes tipos de células e tecidos. Fazer essa investigação experimentalmente, alteração por alteração, exigiria recursos e tempo praticamente inviáveis.

Mais importante do que o volume é o tipo de problema que a ferramenta ajuda a enfrentar. Grande parte do DNA participa da regulação de quando, onde e em que quantidade os genes são ativados. Alterações nessas regiões podem estar associadas a doenças, mas identificar quais merecem investigação sempre foi um desafio para a pesquisa genética.

O Atlas amplia a capacidade de procurar essas pistas. Mas existe uma distinção fundamental entre identificar uma alteração potencialmente relevante e demonstrar que ela explica uma doença. É justamente nessa diferença que aparece o valor do julgamento humano.

Pesquisadores do Broad Institute, centro de pesquisa biomédica ligado ao MIT e à Universidade Harvard, nos Estados Unidos, trabalharam em colaboração com o GREGoR Consortium, rede dedicada à investigação das causas genéticas de doenças raras. Eles utilizaram as previsões da ferramenta para reexaminar casos que continuavam sem diagnóstico. Em um deles, a análise apontou uma alteração no gene DNM1, associado a quadros de encefalopatia epiléptica, que  não havia sido reconhecida como potencialmente patogênica nas análises anteriores.

A ferramenta indicou que a alteração poderia interferir no processamento das instruções genéticas usadas para produzir uma proteína, levando à formação de uma versão anormal. A partir dessa pista, os pesquisadores formularam hipóteses, planejaram experimentos e investigaram se o efeito previsto realmente ocorria. A tecnologia ajudou a encontrar um caminho promissor em meio a um universo de possibilidades. A investigação científica, por sua vez, forneceu as evidências necessárias para reclassificar a alteração como provavelmente patogênica.

Essa distinção tem implicações que vão muito além da genética. Um modelo de inteligência artificial pode identificar padrões, estimar riscos e apontar situações que merecem atenção. Mas uma previsão, por mais sofisticada que seja, não equivale automaticamente a uma conclusão confiável, muito menos a uma decisão pronta para ser executada.

Na gestão, isso significa que a pergunta não deve ser apenas se temos acesso a uma ferramenta capaz de prever melhor. Precisamos saber como suas recomendações serão verificadas, quem avaliará os resultados e quais evidências serão necessárias antes de agir. A própria equipe do Google DeepMind ressalta que a ferramenta não foi validada nem aprovada para uso clínico. O exemplo mostra tanto o potencial da tecnologia quanto a importância de reconhecer seus limites.

Por isso, a adoção de IA não pode ser tratada apenas como uma decisão tecnológica. É também uma decisão sobre processos, competências e governança. As equipes precisam saber interpretar resultados, questionar recomendações e reconhecer quando é necessário buscar outras evidências. Sem esse repertório, a previsão pode se tornar apenas mais uma camada de informação aceita sem crítica. O risco deixa de ser apenas a máquina errar: passa a ser a equipe não perceber quando ela erra.

Se a capacidade de prever está se tornando mais acessível, o desafio das organizações muda de lugar. O diferencial deixa de ser apenas produzir ou adquirir previsões e passa a ser construir condições para que elas melhorem as decisões. Vejo três implicações práticas para quem lidera hospitais, operadoras de saúde e instituições de ensino.

A primeira é rever os processos de decisão. É preciso definir quais previsões exigem validação adicional, quem tem autoridade para agir e como os resultados serão acompanhados. Sem isso, a organização pode acumular ferramentas sofisticadas sem alterar significativamente a qualidade de suas decisões.

A segunda é desenvolver novas competências nas equipes. A inteligência artificial não torna o conhecimento especializado menos importante. Ela muda a maneira como esse conhecimento é aplicado. Profissionais precisam compreender o que uma previsão representa, conhecer suas limitações e saber quando questioná-la.

A terceira é manter clara a responsabilidade pelas decisões. Um modelo pode indicar um risco elevado, mas cabe à organização estabelecer como responder a ele, considerando as evidências, o contexto e as consequências de cada escolha. Na saúde, isso pode significar investigar um possível diagnóstico, rever uma linha de cuidado ou redistribuir recursos.

Esses princípios ajudam a evitar dois erros: confiar demais na tecnologia, como se seus resultados fossem verdades definitivas, ou rejeitá-la por receio de que substitua a experiência humana. O caminho mais produtivo é reconhecer o que a ferramenta faz bem e estruturar processos para que suas contribuições sejam avaliadas de maneira criteriosa.

Gosto de pensar que estamos entrando em uma fase em que a previsão se torna insumo, quase como a energia elétrica: indispensável, cada vez mais acessível e, justamente por isso, insuficiente para diferenciar alguém.

O diferencial estará nas organizações que souberem fazer as perguntas certas aos algoritmos, mantiverem viva a cultura de testar hipóteses e formarem líderes e profissionais capazes de dizer “não concordo” com base em evidências. O AlphaGenome Atlas mostra até onde a tecnologia já chegou, mas a descoberta só aconteceu porque, no fim da linha, havia pessoas preparadas para investigar, confirmar e decidir.